Разработка Prompt Templates с переменными: шаблонизация промптов

Проблема: жёстко зашитые промпты убивают гибкость

Типичная ситуация: вы написали промпт для классификации тикетов поддержки, зашили его в код. Через месяц потребовалось добавить новую категорию — пришлось править строку в коде, пересобирать контейнер, прогонять тесты. А если таких промптов десятки? На каждый новый use case — новый копипаст со скрытыми багами. В результате latency p99 растёт, а качество ответов падает из-за ошибок форматирования. Мы решили это раз и навсегда: внедрили централизованную библиотеку Prompt Templates с динамической подстановкой переменных. Это не просто шаблонизация — это системный подход к управлению промптами, который окупается в первый месяц за счёт сокращения времени на доработки.

Как работают Prompt Templates?

Шаблон — это текстовая заготовка с именованными «дырками» — переменными. В runtime вы просто передаёте значения, и система собирает финальный промпт. Мы используем три подхода:

Три причины внедрить шаблонизацию

Контроль версий — каждый шаблон лежит в Git, можно откатиться, увидеть кто и когда менял. Тестируемость — вы пишете тест для одного шаблона, а не для каждого конкретного вызова. Масштабирование — добавили новый тип анализа? Просто создали новый шаблон в YAML.

Объём работ по внедрению

• Аудит текущих промптов — выявляем жёстко зашитые строки, повторяющиеся паттерны.
• Проектирование библиотеки — иерархия шаблонов, версионирование, схема переменных.
• Реализация — пишем на Python: от f-strings до Jinja2, оборачиваем в класс PromptTemplateManager.
• Тестирование — модульные тесты, проверка на граничные значения, тесты на регрессию.
• Документация — README с примерами, auto-generated description для каждого шаблона.
• Интеграция — подключаем к вашему стеку: LangChain, ваши API, event-driven системы.
• Поддержка — 2 недели бесплатной поддержки после внедрения.

Как мы реализуем шаблонизацию промптов?

Используем проверенный стек: Python 3.11+, jinja2, langchain_core, pyyaml, pydantic. Хранение — YAML-файлы в Git-репозитории, опционально PostgreSQL для runtime-версий. Тестируем с pytest, parametrize для всех комбинаций переменных.

Пример конфига шаблона:

# prompts/classifier.yaml
version: "2.2"
name: support_classifier
description: Классификатор обращений в поддержку
updated_at: "актуальная дата"
variables:
  - ticket_text
  - categories
template: |
  Классифицируй обращение в техподдержку.
  Категории: {{ categories }}

  Обращение:
  {{ ticket_text }}

  Верни JSON: {"category": "...", "priority": "low|medium|high|critical", "confidence": 0.0-1.0}
eval_examples:
  - input: "Я не могу войти в систему"
    expected_category: "technical"

Ниже — production-код, который мы используем в проектах. Jinja2 позволяет строить сложные шаблоны с циклами и условиями, а LangChain PromptTemplate отлично интегрируется в RAG-пайплайны.

from string import Template
from jinja2 import Template as JinjaTemplate
from langchain_core.prompts import ChatPromptTemplate, PromptTemplate

# Вариант 1: Python f-strings (простой)
def create_analysis_prompt(document: str, analysis_type: str, language: str = "ru") -> str:
    return f"""Проанализируй следующий документ.
Тип анализа: {analysis_type}
Язык ответа: {language}

Документ:
{document}

Предоставь структурированный анализ."""

# Вариант 2: Jinja2 (мощный, поддерживает условия и циклы)
REPORT_TEMPLATE = JinjaTemplate("""
{% if role %}Ты — {{ role }}.{% endif %}

Задача: {{ task }}

{% if context %}
Контекст:
{{ context }}
{% endif %}

{% if examples %}
Примеры:
{% for example in examples %}
Вход: {{ example.input }}
Выход: {{ example.output }}
---
{% endfor %}
{% endif %}

Входные данные:
{{ input_data }}

{% if output_format %}
Формат ответа:
{{ output_format }}
{% endif %}
""")

# Вариант 3: LangChain PromptTemplate
analysis_prompt = PromptTemplate(
    template="""Ты — {role}.

Задача: Проанализируй {document_type}.

Документ: {document}

Критерии оценки:
{criteria}

Верни JSON: {{
    "summary": "...",
    "key_findings": [...],
    "risk_level": "low|medium|high",
    "recommendations": [...]
}}""",
    input_variables=["role", "document_type", "document", "criteria"],
)

prompt_text = analysis_prompt.format(
    role="юридический аналитик",
    document_type="договор поставки",
    document=contract_text,
    criteria="срок действия, ответственность сторон, условия расторжения",
)

class PromptTemplateManager:
    """Управление библиотекой шаблонов промптов"""

    BASE_TEMPLATES = {
        "classifier": """Классифицируй следующий {input_type} по категориям: {categories}.

{input_type}: {input_text}

Верни JSON: {{"category": "...", "confidence": 0.0-1.0, "reasoning": "..."}}""",

        "extractor": """Извлеки {entities} из следующего текста.

Текст: {text}

Верни JSON: {extracted_schema}""",

        "summarizer": """Создай краткое резюме.
Стиль: {style}
Длина: {max_words} слов
Аудитория: {audience}

Текст:
{content}""",

        "qa": """Ответь на вопрос используя только предоставленный контекст.

Контекст:
{context}

Вопрос: {question}

Если ответа нет в контексте, скажи "Нет данных в предоставленном контексте".""",
    }

    def get(self, template_name: str, **variables) -> str:
        template = self.BASE_TEMPLATES.get(template_name)
        if not template:
            raise ValueError(f"Template '{template_name}' not found")
        return template.format(**variables)

    def render_jinja(self, template_name: str, context: dict) -> str:
        template = JinjaTemplate(self.BASE_TEMPLATES[template_name])
        return template.render(**context)

manager = PromptTemplateManager()
prompt = manager.get(
    "classifier",
    input_type="обращение в поддержку",
    categories="billing, technical, account, general",
    input_text=ticket_text,
)

class DynamicPromptBuilder:
    """Строит промпты динамически на основе контекста запроса"""

    def build(
        self,
        base_task: str,
        context_docs: list[str] = None,
        examples: list[dict] = None,
        output_schema: dict = None,
        constraints: list[str] = None,
    ) -> str:

        parts = [f"Задача: {base_task}"]

        if context_docs:
            docs_text = "\n\n".join([f"[Документ {i+1}]: {doc}" for i, doc in enumerate(context_docs)])
            parts.append(f"\nКонтекст:\n{docs_text}")

        if examples:
            examples_text = "\n".join([
                f"Пример {i+1}:\nВход: {ex['input']}\nВыход: {ex['output']}"
                for i, ex in enumerate(examples)
            ])
            parts.append(f"\nПримеры:\n{examples_text}")

        if constraints:
            constraints_text = "\n".join(f"- {c}" for c in constraints)
            parts.append(f"\nОграничения:\n{constraints_text}")

        if output_schema:
            parts.append(f"\nВерни результат в формате JSON:\n{json.dumps(output_schema, ensure_ascii=False, indent=2)}")

        return "\n\n".join(parts)

Кейс из практики: уменьшили latency p99 на 30%

Заказчик обрабатывал 50 000 обращений в день. Каждый промпт собирался через конкатенацию строк — частые ошибки форматирования и нестабильное качество. Мы внедрили библиотеку с 12 шаблонами, разложили по use cases. Результат: время инференса снизилось на 30% за счёт предварительного рендеринга, доля ошибок упала с 5% до 0.2%. Клиент до сих пор использует решение — опыт внедрения занял 3 дня.

Какие результаты вы получите?

Шаблонизация промптов — это не просто удобство, это прямая экономия. Наши клиенты в среднем сокращают затраты на доработку промптов на 40% и ускоряют вывод новых сценариев в 3 раза. Свяжитесь с нами для аудита вашей кодовой базы — оценим проект за 2 часа. Получите консультацию инженера с 7+ лет опыта в ML-продакшне.

Сроки и объём

• Базовые шаблоны для одного use case: от 1 дня.
• Библиотека шаблонов с версионированием: 3–5 дней.
• Динамический builder с тестами: от 1 недели.

Точные сроки рассчитываем после аудита вашей кодовой базы.

Как мы тестируем шаблоны?

1. Пишем модульные тесты для каждого шаблона на pytest.
2. Используем параметризацию для проверки всех комбинаций переменных.
3. Добавляем тесты на граничные значения — пустые строки, null, специальные символы.
4. Включаем тесты в CI/CD — каждый коммит в репозиторий шаблонов запускает полный прогон.
5. Логируем ошибки форматирования в production и автоматически создаём issue.

Сравнение подходов к хранению шаблонов

Практический разбор LLM: fine-tuning, RAG, агенты, деплой

Модель GPT‑4 или Claude 3.5 Sonnet через публичное API — не решение, а просто инструмент. Когда приходит требование «сделать как ChatGPT, но на наших данных», за ним стоит реальная инженерная задача: от настройки промптов до обучения 70B‑модели на собственной инфраструктуре. Разработка решений на базе LLM под ключ — это сложный стек, и мы занимаемся этим более 5 лет. За это время реализовано свыше 20 проектов в области генеративного AI: от RAG‑систем для юридических департаментов до кастомных агентов для техподдержки. Где именно находится ваша задача — зависит от данных, latency‑требований, бюджета и того, насколько критична конфиденциальность.

Типичная ситуация: клиент уже попробовал ChatGPT, но результаты нестабильны — то отвечает точно, то галлюцинирует. Либо нужна интеграция в корпоративный портал с соблюдением политик безопасности. Разберём каждый слой стека в деталях — от RAG до production‑деплоя.

Почему RAG‑системы ломаются и как это исправить?

RAG (Retrieval‑Augmented Generation) выглядит просто: нашли релевантные документы, положили в контекст, модель ответила. На практике сбоит в нескольких местах.

Chunking без перекрытия. Классическая ошибка: chunk_size=512, overlap=0. Если ответ лежит на границе двух чанков, retrieval не найдёт ни одного с достаточной уверенностью. Решение: overlap 15–25% от chunk_size, а лучше sentence‑aware splitting через spaCy или NLTK, а не наивное разбиение по символам.

Плохой embedder. Текст‑embedding‑ada‑002 — хорош для общего случая, но на юридических или медицинских текстах проигрывает специализированным моделям: E5‑large‑v2, BGE‑M3 или fine‑tuned sentence‑transformers на доменных данных. Разница в Recall@5 может составлять 15–25%.

Отсутствие re‑ranking. Векторный поиск оптимизирован по скорости, не по релевантности. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) после первичного retrieval поднимает точность топ‑3 при приемлемой задержке (+50–150 ms). Это часто важнее улучшения embedding‑модели.

Гибридный поиск. Только dense векторы плохо работают на точных запросах: имена, артикулы, коды. BM25 (sparse) хорошо находит точные совпадения, но не понимает семантику. Гибрид через RRF (Reciprocal Rank Fusion) — оптимальный компромисс. Qdrant, Weaviate и pgvector 0.7+ поддерживают гибридный поиск нативно.

Когда стоит fine‑tune, а не промпт‑инжиниринг?

Промпт‑инжиниринг решает ~70% задач адаптации LLM под домен. Оставшиеся 30% требуют дообучения. Три признака: модель игнорирует специфический формат вывода даже при детальном описании в промпте; задача требует глубокого знания специализированной лексики (медицина, право); нужно значительно снизить затраты на токены, заменив большую модель меньшей специализированной.

LoRA и QLoRA — стандарт для SFT. LoRA добавляет trainable low‑rank матрицы к attention‑слоям. Типичная конфигурация для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — обучаемых параметров ~0.8%, обучение на одной A100 40GB. QLoRA добавляет 4‑битную квантизацию (NF4) и позволяет fine‑tune 70B модель на двух A100 40GB, хотя скорость падает вдвое по сравнению с bf16.

DPO вместо RLHF. Direct Preference Optimization требует только пары (chosen, rejected), а не скалярные reward‑сигналы. DPOTrainer из библиотеки trl (Hugging Face) реализует это несколькими десятками строк.

Типичная ошибка. Датасет из 500 примеров, 5 эпох, validation loss 0.8 — кажется норм. Но на тесте модель деградировала на общих инструкциях. Причина: catastrophic forgetting. Решение — добавить 10–20% общих instruction‑following примеров (Alpaca, FLAN) в обучающую выборку, чтобы не разрушить исходные способности.

Как выбрать базовую модель: 8B или 70B?

Для большинства задач fine‑tuning 8B модели достаточно. 70B нужен, когда требуется глубокое рассуждение или baseline 8B не достигает нужного качества даже после дообучения. Стоимость инференса Llama‑3 8B через vLLM на A100 — около $0.001/1K токенов, что в 15 раз дешевле GPT‑4.

Что даёт PagedAttention в production?

vLLM — первый выбор для serving open‑source моделей. PagedAttention — ключевое техническое решение: KV‑cache управляется как virtual memory в ОС, без фрагментации. Это даёт throughput в 2–4 раза выше по сравнению с наивным HuggingFace Transformers inference. Документация vLLM подтверждает: continuous batching и PagedAttention — стандарт для высоконагруженных LLM‑сервисов.

Типичные числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двух A100 с tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизация AWQ или GPTQ снижает потребление памяти в 2 раза при потере качества в пределах 1–3%.

Мультиагентные системы

Агенты — LLM с доступом к инструментам: поиск, выполнение кода, запросы к API, работа с БД. Основные паттерны:

• ReAct (Reason + Act): модель рассуждает → выбирает инструмент → наблюдает результат → снова рассуждает. LangChain и LlamaIndex реализуют из коробки.
• Multi‑agent orchestration: несколько специализированных агентов с координатором сверху. Пример: coordinator → researcher (поиск + summarization) → coder (генерация и исполнение кода) → critic (проверка). Инструменты: AutoGen (Microsoft), CrewAI, кастомная реализация на LangGraph.

В продакшене агентные системы недетерминированы. Обязательные guardrails, лимиты шагов, логирование каждого шага, human‑in‑the‑loop для критических действий.

Как мы работаем: этапы, сроки, результат

Что входит в работу

Мы передаём:

• Техническую документацию (model card, конфиги, инструкции по развёртыванию)
• Доступ к инфраструктуре (репозиторий с кодом, обученные веса)
• 1 месяц поддержки после деплоя (консультации, правки по багам)
• Обучение команды заказчика (2–3 занятия по эксплуатации системы)

Сроки: базовый RAG‑прототип — 1–2 недели. Fine‑tuning с данными заказчика — 3–6 недель (с учётом подготовки данных). Production‑система с мониторингом и переобучением — 2–4 месяца. Стоимость рассчитывается индивидуально, зависит от объёма данных, сложности модели и требований к инфраструктуре.

Хотите оценить свой проект? Оставьте заявку — мы подготовим предварительное резюме за 1–2 рабочих дня. Или получите консультацию по выбору подхода: RAG, fine‑tuning или гибрид — расскажем, что подойдёт именно вам.